数据挖掘挖掘频繁模式关联和相关性.pptVIP

挖掘频繁项集的模式增长方法 对项I5挖掘 项 条件模式基 条件FP树 { {I2,I1:1},{I2,I1,I3:1} } I2:2,I1:2 {I2,I5:2},{I1,I5:2},{I2,I1,I5:2} I5 产生的频繁模式 T100 { I2， I1，I5 } T200 { I2， I4 } T300 { I2， I3 } T400 { I2，I1， I4 } T500 { I1， I3 } T600 { I2， I3 } T700 { I1， I3 } T800 { I2, I1, I3, I5 } T900 { I2，I1，I3 } * 目前三十页\总数四十五页\编于七点 挖掘频繁项集的模式增长方法 频繁模式树 I1: 1 Null{} Null{} Null{} Null{} Null{} I3 6 支持度计数 I2 I1 I4 I5 7 6 2 2 项ID 节点链 I3: 1 I4: 1 I3: 1 I1: 1 I2: 1 I5:1 I3: 1 I4:1 I5:1 2 3 4 2 2 5 2 2 6 3 7 4 2 T100 { I2， I1，I5 } T200 { I2， I4 } T300 { I2， I3 } T400 { I2，I1， I4 } T500 { I1， I3 } T600 { I2， I3 } T700 { I1， I3 } T800 { I2, I1, I3, I5 } T900 { I2，I1，I3 } * 目前三十一页\总数四十五页\编于七点 挖掘频繁项集的模式增长方法 对项I4挖掘 产生的频繁模式 产生的频繁模式 条件模式基 条件FP树 I4 { {I2,I1:1},{I2,I1,I3:1} } { {I2,I1:1},{I2:1} } I2:2,I1:2 I2:2 I5 {I2,I5:2},{I1,I5:2},{I2,I1,I5:2} {I2,I4:2} T100 { I2， I1，I5 } T200 { I2， I4 } T300 { I2， I3 } T400 { I2，I1， I4 } T500 { I1， I3 } T600 { I2， I3 } T700 { I1， I3 } T800 { I2, I1, I3, I5 } T900 { I2，I1，I3 } * 目前三十二页\总数四十五页\编于七点 数据挖掘挖掘频繁模式关联和相关性演示文稿 目前一页\总数四十五页\编于七点 第二章 挖掘频繁模式、关联和相关性 1 基本概念 2 频繁项集挖掘方法 3 模式评估方法 目录 第一章 目前二页\总数四十五页\编于七点 基本概念 目前三页\总数四十五页\编于七点 购物篮分析： “尿布与啤酒” 采用关联模型比较典型的案例是“尿布与啤酒”的故事。在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，超市也因此发现了一个规律，在购买婴儿尿布的年轻父亲们中，有30%～40%的人同时要买一些啤酒。超市随后调整了货架的摆放，把尿布和啤酒放在一起，明显增加了销售额。同样的，我们还可以根据关联规则在商品销售方面做各种促销活动。 * 目前四页\总数四十五页\编于七点 购物篮分析 关联规则表示 如果问题的全域是商店中所有商品的集合，则对每种商品都可以用一个布尔量来表示该商品是否被顾客购买，则每个购物篮都可以用一个布尔向量表示；而通过分析布尔向量则可以得到商品被频繁关联或被同时购买的模式，这些模式就可以用关联规则表示（0001001100，这种方法丢失了什么信息？） 关联规则的两个兴趣度度量 支持度 置信度 * 目前五页\总数四十五页\编于七点 频繁项集、闭项集和关联规则 频繁项集、闭项集基本概念 k－项集：包含k个项的集合。例如：{牛奶，面包，黄油}是个3－项集 项集的频率是指包含项集的事务数 如果项集的频率大于最小支持度×D中的事务总数，则称该项集为频繁项集 项集X在数据集D中是闭的，即不存在真超项集Y，使得Y与X在D中具有相同的支持度计数，则项集X是数据集D中的闭项集 * 目前六页\总数四十五页\编于七点 频繁项集、闭项集和关联规则 关联规则：基本概念 给定： 项的集